在Ar缓冲气中通过机器学习对HCN异构反应动态的分类
Takefumi Yamashita1,2, Naoaki Miyamura1, Shinnosuke Kawai3
1Laboratory for Systems Biology and Medicine, Research Center for Advanced Science and Technology, The University of Tokyo, 4-6-1 Komaba, Meguro-ku, Tokyo 153-8904, Japan.
机器学习准确地预测了化 (HCN) 对胺 (CNH) 反应的异构化反应的反应性. 原子通过移动点来影响反应,从而改变了反应的有利性.
科学领域:
- 化学物理 化学物理
- 计算化学计算化学
- 机器学习应用 机器学习应用
背景情况:
- 化 (HCN) 到胺 (CNH) 的异构化是一种基本的化学反应.
- 了解反应动力学,特别是在 (Argon) 等惰性原子的存在下,对于化学动力学至关重要.
- 传统的研究反应动态的方法可能是计算密集的.
研究的目的:
- 为了研究 (Ar) 对HCN CNH异构化反应动态的影响.
- 应用机器学习技术来分析反应相空间和预测反应性.
- 阐明Ar原子如何影响反应路径和过渡状态.
主要方法:
- 在CCSD (T) /aug-cc-pVQZ层面进行初始计算,以开发潜在能量表面.
- 经典轨迹模拟用于生成反应数据.
- 机器学习模型在初始条件 (位置和动量) 上进行训练,以预测反应性.
- 分析机器学习模型预测,以了解Ar原子的作用.
主要成果:
- 机器学习模型实现了超过95%的反应发生预测准确度.
- 这些模型成功地确定了反应活性边界,而没有先前了解反应动力学理论.
- 发现Ar原子的存在会取代反应的有效位点.
- 证明Ar原子在N或C原子附近的特定定位分别阻碍了前进或后退反应.
结论:
- 机器学习是分析复杂反应动态和预测化学反应的强大工具.
- Ar 原子通过修改反应的过渡状态,显著影响 HCN CNH 异构.
- 机器学习辅助的分析为更深入了解化学反应机制提供了一个有希望的途径.
更多相关视频
10:52Line Shape Analysis of Dynamic NMR Spectra for Characterizing Coordination Sphere Rearrangements at a Chiral Rhenium Polyhydride Complex
Published on: July 27, 2022
12:11Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry
Published on: April 8, 2020
相关概念视频
Aldehydes and Ketones with HCN: Cyanohydrin Formation Overview
2D NMR: Overview of Heteronuclear Correlation Techniques
¹H NMR of Conformationally Flexible Molecules: Temporal Resolution
2D NMR: Heteronuclear Single-Quantum Correlation Spectroscopy (HSQC)
Regioselectivity of Electrophilic Additions to Alkenes: Markovnikov's Rule
The hydrohalogenation of an unsymmetrical alkene can yield two haloalkane products, depending on which vinylic carbon takes up the halogen. However, one product usually predominates, where hydrogen adds to the vinylic carbon bearing the...
Aldehydes and Ketones with HCN: Cyanohydrin Formation Mechanism
